Predicting Parkinson's Disease based on 3D segmented ventral diencephalon using a Dense Convolutional Network
Translated title
Prædiktering af Parkinsons sygdom baseret på 3D segmenteret ventral diencephalon ved brug af et Dense Convolutional Netværk
Authors
Svendsen, Gritt Olivia Asferg Læssøe ; Thomsen, Trine Skjødt ; Frøkjær, Jens Tidemann
Term
4. term
Publication year
2022
Submitted on
2022-06-01
Abstract
Parkinson’s disease (PD) is a neurodegenerative disorder in which non‑motor symptoms precede motor symptoms, and clinical diagnosis remains difficult due to overlap with related conditions and often late presentation. This thesis examined whether a deep neural network can distinguish PD from healthy controls using the ventral diencephalon segmented from 3D magnetic resonance images. MRI data from the Parkinson’s Progression Markers Initiative included 215 participants (156 with PD and 59 healthy), which were processed and used to train and test a densely connected convolutional neural network (DenseNet). The best model achieved a validation accuracy of 0.68, sensitivity of 0.82, specificity of 0.33, and an AUC‑ROC of 0.58. These results indicate some ability to identify PD but limited overall discrimination, particularly low specificity, highlighting constraints of this approach on the available dataset.
Parkinsons sygdom (PS) er en neurodegenerativ lidelse med ikke‑motoriske symptomer, der over tid udvikler sig til motoriske, og den kliniske diagnose er udfordret af symptomoverlap med andre lidelser og ofte sen påvisning. Dette speciale undersøgte, om et dybt neuralt netværk kan skelne mellem PS og raske kontroller baseret på ventral diencephalon segmenteret fra 3D‑magnetisk resonansbilleder. MR‑data fra Parkinson’s Progression Markers Initiative omfattede 215 personer (156 med PS og 59 raske), som efter forarbejdning blev brugt til at træne og teste et tæt forbundet konvolutionelt neuralt netværk (DenseNet). Den bedst præsterende model opnåede en valideringsnøjagtighed på 0,68, en sensitivitet på 0,82, en specificitet på 0,33 og et AUC‑ROC på 0,58. Resultaterne viser, at modellen i nogen grad kunne identificere PS, men med begrænset samlet diskrimination, især på specificitet, hvilket peger på begrænsninger for denne tilgang med det foreliggende datasæt.
[This apstract has been generated with the help of AI directly from the project full text]